专利名称：：人工智能技术对组织培养方案进行单目标优化选择的方法
技术领域：
：本发明属于生物
技术领域：
中的植物组织培养技术，具体涉及人工智能技术对组织培养方案进行单目标优化选择的方法。
背景技术：
：植物组织培养是20世纪之初，以植物生理学为基础发展起来的一门新兴技术。即在无菌条件下，将离体的植物器官(如根尖、茎尖、叶、花、未成熟的果实、种子等)、组织(如形成层、花药组织、胚乳、皮层等)、细胞(如体细胞、生殖细胞等)、胚胎(如成熟和未成熟的胚)、原生质体培养在人工配制的培养基上，给予适宜的培养条件，诱发产生愈伤组织或潜伏芽或长成完整植株的技术。植物组织培养技术已在科研和生产上得到广泛应用，其具有加速育种、縮短繁殖过程、改良品质、节省空间、减少劳动、终年试验生产、不受自然条件限制等特点。此技术在推动农业现代化方面已有了巨大的经济效益、社会效益和生态效益，被世人誉为农业发展史上的第四次绿色革命，对解决经济和社会发展所面临的人口增长、农业资源匮乏、环境污染等重大问题，具有重要的战略意义。由于影响植物组织培养效果的因素较多，如温度、光照、无机盐浓度、激素的浓度与配比、材料消毒时间等，要想找到对某一材料较优的组织培养方案需进行大量的试验，但该方法也仅能从实验点中筛选出较优方案，为了寻找实验点外更优的实验组合，在实际操作中需要对筛选出的方案不断地进行细化，并多次实验以确定更优的方案，这无疑增大了人力、物力的投入。
发明内容本发明的目的在于提供人工智能技术对组织培养方案进行单目标优化选择的方法，根据初步实验获得的数据，运用BP人工神经网络和GA遗传算法两种人工智能技术对植物组织培养方案进行单目标寻优，加速培养方案优化过程，提高组织培养效果，减少人力、物力投入，降低培养成本。本发明的技术解决方案是该方法依次包括以下步骤对原始组织培养实验数据进行复制加倍，对复制加倍的实验数据进行归一化处理，利用BP建立数学模型，通过GA对数学模型进行单目标寻优，利用寻优得到的方案进行实验。本发明方法的具体步骤如下1.对初步获得的实验数据复制2-10次，加倍后分别添加0-10%的随机干扰；方法为尸X"，bc+0.2x環必y表示添加干扰后的数据，X表示原始实验数据，rS/76/表示范围内的随机数；2.根据各实验因素水平的取值范围，对步骤1中添加了干扰的数据进行归一化处理，使其处于[-ll];方法为"^Z^1"，y表示归一化后的数据，L和X皿分别表示某<formula>formulaseeoriginaldocumentpage9</formula>一实验因素水平的最小和最大取值，x表示待归一化处理的因素水平数值；3.建立实验因素与实验结果关系的数学模型，构建3层结构的BP人工神经网络，利用步骤2中的数据进行数学建模，寻找实验因素与实验结果之间的关系；目标误差取值为10—5-10—2，输入层与隐层釆用线性传递函数"x;隐层与输出层采用非线性的Sigmoid型函数^=，输入层节点数为实验因素的个数，输出层节点数为1，即实验结果数，隐层节点数利用遗传算法GA进行寻优，其具体的过程如下STEP1:设置子种群数量SubPop为5-10，每子种群个体数Nind为10-30，最大进化代数MaxGen为15-30，每Mig(10-20)代进行一次子种群间个体迁移，变异率Mutr为0.001-0，01，代沟Ggap为0.7-0.9，重插入率Insr为0.8-0.9，迁移率Migr为0.2-0.3，神经网络最大训练数Epoch为15-50;STEP2:根据种群数量SubPop、每子种群个体数Nind、神经网络最大训练数Epoch、神经网络的输入节点数numlnput、输出节点数numOutput禾口隐层节点数numHiden(咖/wiZ/tfew=扣/n/"戸f.+1)+"t为1-IO之间的随机数)构建相应的代表BP神经网络结构的种群，对种群进行一次杂交和变异操作，以改变种群中个体的BP神经网络隐层节点数。杂交采用切断和拼接算子，变异操作为随机产生隐层节点数numHiden+l中的一个整数h，如果h《nuraHiden，则在染色体中删除h对应的隐层节点(包括输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)，如果h〉mimHiden，则在染色体中增加一个隐层节点(包括随机产生的[-1l]范围内的输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)；STEP3:计算适应度值,，对群体解码成BP网络，并利用2中归一化后80%-90%的数据作为BP的训练数据，剩余的10%-20%作为校验数据，对训练后神经网络的均方误差MSE按下式计算适应度值F，，"取值0.2-0.5，^ax为群体中最大1的隐层节点数，^为当前个体的隐层节点数；STEP4:根据子种群数量SubPop、适应度值F和代沟Ggap，利用随机遍历抽样法选择生成子代群体offspring,对子代群体offspring采用STEP2中方法进行BP神经网络结构进化得到offspringl，对offspringl进行常规的杂交和变异操作得到offspring2，对offspring2釆用STEP3的方法计算适应度值Kffspring;STEP5:根据子种群数量SubPop、重插入率Insr、适应度值F和Fw^重插入子代到父代群体，得到新群体Pop及新的适应值F，进化代数加l;STEP6:如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值F进行子种群间个体迁移操作；STEP7:如进化代数已达到最大进化代数MaxGen,则将适应度值最大的个体解码成BP神经网络，并保存为BestBPNet，否则转STEP4;4.利用遗传算法对步骤3中保存的BP神经网络BestBPNet进行单目标寻优，具体过程如下STEP1:设置子种群数量SubPop为5-20，每子种群个体数Nind为10-30，最大进化代数MaxGen为80-200，每Mig(10-20)代进行一次子种群间个体迁移，变异率Mutr为0.001-0.01，杂交率Xovr为0.7-0.95，代沟Ggap为0.7-0.9，重插入率Insr为0.8-0.9，迁移率Migr为0.2-0.3;STEP2:根据影响组织培养的实验因素个数确定染色体编码方案。如果影响因素只有一个则采用二进制编码，如果多于2个则可采用实数编码或二进制编码(建议采用实数编码以提高组织培养方案的优化精度)；STEP3:根据子种群数量SubPop、每子种群个体数Nind、组织培养实验因素数及取值范围和STEP2确定的染色体编码方案产生群体；STEP4:计算适度值F，将群体的染色体解码，并利用3中保存的BP神经网络BestBPNet进行仿真，对仿真结果Result进行基于排序的适应度分配，即得到适度值,(该方法适合于植物组织培养结果的最小化寻优，如材料污染数量，褐化数量等)；如果是植物组织培养结果最大化寻优(如愈伤组织数量、生根数量等)，则首先需要对ResultX(—l)，然后对计算结果进行基于排序的适应度分配；STEP5:根据子种群数量SubPop、代沟Ggap和适度F，利用随机遍历抽样法选择生成子代群体offsprin，。根据子种群数量SubPop、变异率Mutr、杂交率Xovr和适度F对offspring进行杂交和变异操作得到offspringl，对offsprinl采用STEP4中的方法计算适应度值FQffspring;STEP6:根据子种群数量SubPop、重插入率Insr、适应度值,和尸一一重插入子代到父代群体，得到新群体Pop及新的适应度值,，进化代数加l;STEP7:如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值F进行子种群间个体迁移操作；STEP8:如进化代数已达到最大进化代数MaxGen，则将适应度值最大的个体解码成相应的数值力G'=l，2，…，"，77为实验因素个数)，对》进行反归一化即为寻优得到的植物组织培养实验方案，否则转STEP5，反归一化按下式进行，x=|.(y+lHxmax-xmiJ+xmm，y表示需反归一化的数据，x表示反归一化后的数据，x^和x皿分别表示某一实验因素水平的最小取值和最大取值。5.利用步骤4中寻优得到的方案进行实验。图l为本发明流程框图。具体实施例方式下面，通过3个实施例，来进一步说明具体的实施过程。应理解，这些实施例只是为了举例说明本发明，而非以任何方式限制本发明的范围。实施例1将玫瑰茎段接种到培养基上，于25X:、1000-2000Lx光强下培养，30d后统计褐化率。培养基为MS基本培养与NM和6-BA不同浓度的组合，pH值为5.8;培养结果见表l:表i不同激素配比对玫瑰外植体褐化率的影响<table>tableseeoriginaldocumentpage13</column></row><table>10.050.55.420.051.819.030.080.513.740.081.825.850.080.810.660.050.817.270.151.88.380.150.530.190.150.889.6对表1数据进行7次复制，使数据增加到72个，对数据添加10%以内的随机干扰，利用BP神经网络和遗传算法进行数学建模，以获得NAA和6-BA不同浓度及配比与褐化率之间的关系，最后利用遗传算法对数学模型进行极小值寻优，得到的方案为MS+0.03mgfNM+O.04mgt16-BA或MS+0.01mgL—WAA+O.02mg「16-BA;对上述方案进行实验，结果实验材料的褐化率分别为3.2%和1.6%。实施例2将玫瑰试管苗接种到培养基上，于25。C、1000-2000Lx光强下培养，30d后统计分化率;培养基为MS基本培养与6-BA、NAA和GA3不同浓度的组合，pH值为6.0;培养结果见表2:表2不同激素配比对玫瑰试管苗分化的影响口激素浓度/mgL—1分化率培养基编号--6-BA脆GA3%113396.5231377.6333290.1421278.3523153.6612263.3722365.9832140.8911143.5对表2数据进行5次复制，使数据增加到54个，对数据添加10%以内的随机干扰，利用BP神经网络和遗传算法进行数学建模，以获得6-BA、NAA和GAs不同浓度及配比与分化率之间的关系，最后利用遗传算法对数学模型进行极大值寻优，得到的方案为MS+0.2mg'L—A-BA+3.7mgL—i丽A+3.3mgl^GA"MS+0.4mgL—^-BA+3.2mgL—物A+4.OmgL—^3和MS+0.0mgL—L6-BA+3.5mgL—i丽A+4.OmgL_1GA3;对上述方案进行实验，结果实验材料的分化率分别为97.4%、98.5.0%和99.8%。实施例3将康乃馨腋芽接种到培养基上，于27。C、2000-3000Lx光强下培养，20d后统计生根率；培养基为1/2MS基本培养与6-BA、NAA和活性炭不同浓度的组合，pH值为6.0;培养结果见表3:表3不同激素配比对康乃搫生根的影响培养基编号激素浓度/mgL—1活性炭生根率6-BA隐%100.50.243.5200.10.219.7300.5039.340.52.000500.1023.560.51.00.2071.01.00.2080.52.00.20901.0032.1100.51.000111.01.0001202.0022.8对表3数据进行5次复制，使数据增加到72个，对数据添加10%以内的随机干扰，利用BP神经网络和遗传算法进行数学建模，以获得6-BA、NAA和活性炭不同浓度及配比与生根率之间的关系，最后利用遗传算法对数学模型进行极大值寻优，得到的实验方案为1/2MS+0.0mgL—^-BA+0.5mgL—i丽A+0.2mgL—"活性炭，1/2MS+0.OmgL_16_BA+0.4mgL_1NNA+0.3mgL—i活性炭；对上述方案进行实验，结果实验材料的生根率分别为49.9%和70.0%。权利要求1.一种利用人工智能技术对植物组织培养方案进行单目标优化选择方法，其特征在于该方法依次包括以下步骤对原始组织培养实验数据进行复制加倍，对复制加倍的实验数据进行归一化处理，利用BP建立数学模型，利用GA对数学模型进行单目标寻优，通过寻优得到的方案进行实验。2.根据权利要求l所述的.一种利用人工智能技术对植物组织培养方案进行单目标优化选择的方法，其特征在于该方》去的具体步骤如下1)对初步获得的实验数据复制2-10次，加倍后分别添加0-10%的随机干扰；方法为<formula>formulaseeoriginaldocumentpage2</formula>y表示添加干扰后的数据，X表示原始实验数据，范围内的随机数;2)根据各实验因素水平的取值范围，对步骤1中添加了干扰的数据进行归一化处理，使其处于[-1l];方法为"^^-i，y表示归一化后的数据，x^和x,分别表示某"max"min一实验因素水平的最小和最大取值，x表示待归一化处理的因素水平数值；3)建立实验因素与实验结果关系的数学模型，构建3层结构的BP人工神经网络，利用步骤2中的数据进行数学建模，寻找实验因素与实验结果之间的关系；目标误差取值为10—5-10—2，输入层与隐层采用线性传递函数";c;隐层与输出层采用非线性的Sigmoid型函数^=^，输入层节点数为实验因素的个数，输出层节点数为1，即实验结果数，隐层节点数利用遗传算法(GA)进行寻优，其具体的过程如下:STEP1:设置子种群数量SubPop为5-10，每子种群个体数Nind为10-30，最大进化代数MaxGen为15-30，每Mig(10-20)代进行一次子种群间个体迁移，变异率Miitr为0.001-0.01，代沟Gg邻为0.7-0.9，重插入率Insr为0.8-0.9，迁移率Migr为0.2-0.3，神经网络最大训练数Epoch为15-50;STEP2:根据种群数量SubPop、每子种群个体数Nind、神经网络最大训练数Epoch、神经网络的输入节点数numlnput、输出节点数num0utput禾口隐层节点数numHiden(=V",/"-+1)+"^为1—10之间的随丰几数)构建相应的代表BP神经网络结构的种群，对种群进行一次杂交和变异操作，以改变种群中个体的BP神经网络隐层节点数。杂交采用切断和拼接算子，变异操作为随机产生隐层节点数numHiden+l中的一个整数h，如果h《numHiden，则在染色体中删除h对应的隐层节点(包括输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)，如果h〉numHiden，则在染色体中增加一个隐层节点(包括随机产生的[-ll]范围内的输入层与隐层的权值、隐层与输出层的权值和隐层的阈值)；STEP3:计算适应度值A对群体解码成BP网络，并利用2中归一化后80%-90%的数据作为BP的训练数据，剩余的10%-20%作为校验数据，对训练后神经网络的均方误差MSE按下式计算适应度值,，M^f)，"取值0.2-0.5，i7,为群体中最大的隐层节点数，^为当前个体的隐层节点数；STEP4:根据子种群数量SubPop、适应度值F和代沟Ggap，利用随机遍历抽样法选择生成子代群体offspring,对子代群体offspring采用STEP2中方法进行BP神经网络结构进化得到offspringl，对offspringl进行常规的杂交和变异操作得到offspring2，对offspring2采用STEP3的方法计算适应度值Aff一ng;STEP5:根据子种群数量SubPop、重插入率Insr、适应度值,和/^spr^重插入子代到父代群体，得到新群体POP及新的适应值,，进化代数加l;STEP6:如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值F进行子种群间个体迁移操作；STEP7:如进化代数已达到最大进化代数MaxGen，则将适应度值最大的个体解码成BP神经网络，并保存为BestBPNet，否则转STEP4;4)利用遗传算法对步骤3中保存的BP神经网络BestBPNet进行单目标寻优，具体过程如下STEP1:设置子种群数量SubPop为5-20，每子种群个体数Nind为10-30，最大进化代数MaxGen为80-200，每Mig(10-20)代进行一次子种群间个体迁移，变异率Mutr为0.001-0.01，杂交率Xovr为0.7-0.95，代沟Ggap为0.7-0.9，重插入率Insr为0.8-0.9,迁移率Migr为0.2-0.3;STEP2:根据影响组织培养的实验因素个数确定染色体编码方案。如果影响因素只有一个则采用二进制编码，如果多于2个则可采用实数编码或二进制编码(建议采用实数编码以提高组织培养方案的优化精度)；STEP3:根据子种群数量SubPop、每子种群个体数Nind、组织培养实验因素数及取值范围和STEP2确定的染色体编码方案产生群体；STEP4:计算适度值,，将群体的染色体解码，并利用3中保存的BP神经网络BestBPNet进行仿真，对仿真结果Result进行基于排序的适应度分配，即得到适度值,(该方法适合于植物组织培养结果的最小化寻优，如材料污染数量，褐化数量等)；如果是植物组织培养结果最大化寻优(如愈伤组织数量、生根数量等)，则首先需要对ResultX(—l)，然后对计算结果进行基于排序的适应度分配；STEP5:根据子种群数量SubPop、代沟Ggap和适度F，利用随机遍历抽样法选择生成子代群体offsprin，。根据子种群数量SubPop、变异率Mutr、杂交率Xovr和适度F对offspring进行杂交和变异操作得到offspringl,对offsprinl采用STEP4中的方法计算适应度值&fspring;STEP6:根据子种群数量SubPop、重插入率Insr、适应度值,和/^一m重插入子代到父代群体，得到新群体Pop及新的适应度值,，进化代数加l;STEP7:如进化代数为Mig的倍数，则根据子种群数量SubPop、迁移率Migr和适应度值,进行子种群间个体迁移操作；STEP8:如进化代数已达到最大进化代数MaxGen，则将适应度值最大的个体解码成相应的数值力(i=l，2，…，77，/7为实验因素个数)，对力进行反归一化即为寻优得到的植物组织培养实验方案，否则转STEP5，反归一化按下式进行，p会-Cy+i)'(Hm)+U，y表示需反归一化的数据，x表示反归一化后的数据，x^和x,分别表示某一实验因素水平的最小取值和最大取值；5)利用步骤4中寻优得到的方案进行实验。全文摘要本发明公开了一种利用人工智能技术对植物组织培养方案进行单目标优化选择的方法，该方法依次包括以下步骤对原始组织培养实验数据进行复制加倍，对复制加倍的实验数据进行归一化处理，利用GA对数学模型寻优，利用GA对数学模型进行单目标寻优，通过寻优得到的方案进行实验。该方法可加速植物组织培养方案的优化过程，提高组织培养效果，减少人力、物力投入，降低培养成本。文档编号G06F19/00GK101299224SQ200810023318公开日2008年11月5日申请日期2008年3月31日优先权日2008年3月31日发明者刘乃森,刘福霞申请人:淮阴师范学院